【Paper Reading】多模态大模型Cambrain-1理解

前言

arxiv.org/pdf/2406.16...

常见的MLLM结构

作者团队是谁

代表性工作都在计算机视觉预训练领域，MoCo和MAE等，所以本篇paper重视的一个问题是"visual侧特征学得好不好"，和一些MLLM代表作关注的视角并不一样

理解Related Work

Related work章节的信息浓度很高，分为6个section，同时也交待了paper & 做好MLLM要关注的6大问题

问题	讨论
LLM	LLM是MLLM模型的基础，LLM可以基于prompt和visual encoder的输出，完成复杂的多模态任务。近期有很多工作是通过强化LLM，进而优化MLLM的性能。但是这也引出了一个问题，目前对于MLLM的评估是非常容易被LLM的性能影响的，很少有人对MLLM的视觉感知能力做评估。
Vision encoder	大多数MLLM的vision encoder都是CLIP预训练的，但是除了文本监督的预训练方式，还有各种各样的视觉模型（自监督、分割、深度估计、扩散）。最近有一些工作探索了如何在MLLM引入多样的视觉模型。本文也会系统性探索MLLM中视觉模型的选择。
Multimodal connector	视觉模型输出的特征无法直接被LLM处理，大多数MLLM会引入一个projector把视觉特征映射到LLM的token空间。目前最主流的projector是MLP：- MLP的问题：visual token的数量会随着分辨率平方增长，极大限制了视觉context的长度（例如LLaVa-Next需要2880个token去处理672分辨率的图片）。本文为了解决这个问题，设计了一种处理高分辨率图片的projector
Instruction tuning data	视觉指令微调的数据很重要，但是难收集，相比于文本instruction数据来说，获取成本非常高。本文收集了尽可能多的VQA数据&视觉互动数据，探究数据平衡&数据类别配比等问题；
Instruction tuning	大部分MLLM，都用预训练的LLM和vision encoder进行初始化；基于视觉指令微调数据，对LLM&projector进行finetune。但是最合适的finetune策略一直是悬而未决的，比如：- 是否需要在同时finetune LLM&projector前，对projector进行pretrain finetune的过程中是否freeze住vision encoder关于这些问题，本文也提供了系统性的实验。
Evaluation & benchmark	现有MLLM benchmark的合理性存疑

MLLM x 视觉模型

怎么评：MLLM的benchmark合理吗？

Finding1：大多数benchmark并无法反映MLLM的视觉能力，能反映的benchmark自身的样本数又很少

1. 左上图：MLLM在下游benchmark上做测评

   1. 训练设置：基于2阶段训练，第一阶段用1.2M (来自ShareGPT-4V)数据训练connector，第二阶段用0.74M数据同时训练connector和LLM；
   2. 测试设置：绿色label代表"使用文本+视觉特征"，红色label代表"只用文本特征"，蓝色实心label表示"绿色和红色的diff"，黄色实心表示"random guess"的结果

2. 结论：

   1. 大多数数据集上，有没有visual侧特征，对最终的结果影响不大
   2. 缺少visual侧特征影响较大的任务，自身的样本数很少

3. 解决方案：本文提出CV-Bench，把CV任务给自然语言化，用来评测MLLM在视觉侧的能力

   1. 空间关系
   2. 物体数量
   3. 深度关系
   4. 相对距离

怎么训：MLLM的训练方法

Finding2：两阶段的训练是必要的，并且一阶段projector的训练数据越多效果越好；Unfreeze视觉backbone训练大部分情况下有益；

表格纵轴的含义：

• 0M❄️：freeze视觉backbone，不用数据pretrain projector
• 0.5M❄️：freeze视觉backbone，用0.5M数据pretrain projector
• 1.2M❄️：freeze视觉backbone，用1.2M数据pretrain projector
• 1.2M🔥：unfreeze视觉backbone，用1.2M数据pretrain projector

表格的结论：

• 不可以跳过projector的训练，两阶段训练是有用的；
• 越多的数据训练projector，最终的效果越好；
• 在projector的训练阶段，unfreeze视觉backbone大多数情况下有收益，但是可能会被计算资源限制可行性，资源充足的情况下可以尝试；

怎么选vision encoder：MLLM的视觉backbone选择

Finding3：VL预训练的视觉backbone比视觉SSL预训练的backbone效果好。

• 图6：所有蓝色的点，在红色&绿色的点上方。蓝色点代表使用VL预训练的backbone，红色代表视觉SSL的backbone，绿色代表其他任务（如分割）预训练的backbone；总体来看，VL预训练的backbone最适合当做MLLM的视觉基座；
• 其中效果最好的是SigLIP的模型，比较惊喜的是，ConvNext-L的效果也不错；

Finding4：高分辨率的视觉backbone对表格理解、重视觉侧的任务都很有帮助。基于CNN的backbone天然对上述任务友好。

结论有点牵强，看图6即可；

怎么进一步提升视觉能力：MLLM x 多个视觉backbone

Finding5：结合多个视觉backbone的特征，可以增强MLLM的性能。

由图6可以看出，不同pre-train、不同architecture的视觉backbone擅长的任务不同，可以将他们进行结合获取更好的效果。

结合的逻辑是，从每个backbone输出的visual tokens中，插值出固定个数的visual tokens；多个backbone输出的特征在channel维度进行concat，再用MLP projector到LLM的token space，继而送进后面的LLM中；

比如，encoder 1的特征维度是196x1024，encoder 2的特征维度是256x2048，那做法就是，从每个encoder的特征中插值出来64个，得到一个64x1024和一个64x2048的特征，再从channel维度concat起来，变成64x3072，再用一个FC把维度降下来，对齐后面的LLM；

提出解法：多个视觉模型特征聚合模块 SVA

Finding6：特征聚合的关键点是空间归纳偏置、LLM&视觉特征的深度交互

用cross attention layer，处理多个visual encoders的特征

1. 先定义一个learnable query token <math xmlns="http://www.w3.org/1998/Math/MathML"> X ∈ R L 2 × C X \in \mathbb{R}^{L^2 \times C} </math>X∈RL2×C，L代表feature map的长宽，C代表feature的dimension；

2. Given图片里3个encoder的特征，由于可能是3种不同的feature map大小，需要对同一个spatial position上的特征做对齐；

   1. Given一个query vector <math xmlns="http://www.w3.org/1998/Math/MathML"> x i , j x_{i,j} </math>xi,j，对于同大小feature map，则感知固定位置的feature vector <math xmlns="http://www.w3.org/1998/Math/MathML"> F 1 i , j F_{1_{i,j}} </math>F1i,j，作为KV；
   2. 如果feature map的长宽是L的 <math xmlns="http://www.w3.org/1998/Math/MathML"> m k m_k </math>mk倍，则感知一个区域内的feature <math xmlns="http://www.w3.org/1998/Math/MathML"> F k [ m k ⋅ i : m k ⋅ ( i + 1 ) , m k ⋅ j : m k ⋅ ( j + 1 ) ] F_{k}[m_k·i:m_k·(i+1), m_k·j:m_k·(j+1)] </math>Fk[mk⋅i:mk⋅(i+1),mk⋅j:mk⋅(j+1)]作为KV；

3. 总的来说，一个query会负责聚合"多个encoder、同一spatial region"内的特征，聚合多个encoder的visual tokens，产出固定个数(L*L)visual tokens作为聚合后的结果；

具体指标：从结果来看，也没有比concat领先太多，感觉形式大于作用，多个source的encoders才是涨点的本质原因；

MLLM x 数据

1. 如图9所示，paper收集了非常多的多模态数据，包括OCR数据、VL数据、纯文本数据等；除了以上7M的开源数据，作者还从Internet定向增补了3M的数据，主要手段是用搜索引擎+wiki+大模型生成prompt；这里所有的数据加起来产出了Cambrain-10M数据集；
2. 基于Cambrain-10M，调整了垂类的配比，得到了更精简、更高质量的数据集Cambrain-7M；和10M版本的对比如下，7M训出来的模型效果更好；

3. 对于答案非常短的训练数据，增加一些system语句，不同的数据集适用的prompt不同；这一操作非常有利于提升模型的对话能力，防止模型退化到"answer machine"只会以很短的文案回答问题；

和SOTA的比较

• cambrain-1的训练setting：

  • 
  • stage1 数据：用2.5M数据预训练projector，1.2M captioning data from shareGPT4V and 1.2M captioning data used in MiniGemini； 1e-4学习率，bs 512；
  • stage2数据：Cambrain-7M数据做SFT；2e-5学习率，bs512；
  • 模型侧：4个visual encoders通过SVA聚合；

• 结论：cambrain超过了开源sota（mini-gemini和llava-next），仅用了1/4的视觉token数（但是有SVA聚合多个encoder的结果）

小trick，评估的时候应该使用模糊匹配对output进行后处理；For instance, if the correct answer is "(a) Apple" and the model outputs "Apple", it is crucial to recognize the response as correct.

其余的两个SOTA

再回头看cambrain和其余两个sota不一样的地方，cambrain是通过visual encoder的diversity取胜，其余两个sota在纯怼分辨率

Mini-Gemini

LLaVa-Next